Te veel van een product in voorraad hebben, of niet genoeg, kost retailers jaarlijks honderden miljarden dollars. Als ze te weinig voorraad hebben en opraken, de klant zal zijn bedrijf waarschijnlijk ergens anders naartoe brengen, kost de winkelier geld. Als ze te veel op voorraad hebben, Hoewel, de winkelier eindigt met overtollige voorraad.

Een aanstaande krant in Operationeel onderzoek , co-auteur van MIT Sloan gasthoogleraar Amr Farahat, doctoraat '04, en Joonkyum Lee, een assistent-professor aan de Sogang Business School in Zuid-Korea, biedt een nieuwe manier om dit probleem aan te pakken. Hun datagestuurde aanpak kan retailers helpen weloverwogen beslissingen te nemen en de winst te verhogen.

Hoewel het redelijk lijkt om winkeliers een artikel gewoon bij te vullen als het op is, lijkt die aanpak werkt niet voor velen. "Klanten gaan niet wachten tot de winkelier weer aanvult om een ​​aankoop te doen, ' zei Farahat.

In plaats daarvan, retailers moeten van tevoren voorspellen hoeveel ze van bepaalde artikelen gaan verkopen. Dat is niet eenvoudig, vooral niet voor producten waarvan de doorlooptijd voor aanvulling lang is in vergelijking met de duur van hun piekverkoopseizoen.

Het effect van substitutie

Helpen, Farahat en Lee hebben wat zij de benaderende gelijkenistransformatie noemen ontwikkeld.

"Dit algoritme erkent dat er een relatie is tussen hoeveel retailers in voorraad hebben en hun winst. Deze relatie is gecompliceerd, dus hebben we het vervangen door een eenvoudiger exemplaar dat een bovengrens voor de verkoop biedt, maar het is een strakke bovengrens. Omgaan met dat eenvoudiger, toch bij benadering, verkoopfunctie leidt uiteindelijk tot betere beslissingen, ' zei Farahat.

Retailers baseren hun voorraadbeslissingen doorgaans op eerdere verkopen, rekening houdend met de tijd van het jaar, hoe het met de economie gaat, wat is er in de mode, en welke nieuwe producten zijn uitgekomen die naar verwachting zullen verkopen, onder andere.

Volgens Farahat, als een detailhandelaar een enkel artikel in voorraad heeft, het bepalen van de optimale hoeveelheid te vervoeren voorraad is eenvoudig. Wanneer een verkoper veel artikelen verkoopt, dit wordt ingewikkelder omdat klanten het ene artikel door het andere vervangen. "Als ik een gestreept blauw shirt wil kopen als cadeau, en ik vind de maat die ik nodig heb niet op voorraad bij Macy's, in plaats van te besluiten het cadeau in een andere winkel te kopen, Ik mag naar een effen blauw shirt kijken, een gestreept paars overhemd, of een ander merk. Er zijn complexe substitutie-effecten gaande - het is de aard van de keuze van de consument, ' zei Farahat.

Aangezien consumenten een onbeperkt aantal beslissingen kunnen nemen op basis van de beschikbare voorraad, het is praktisch onmogelijk om optimale voorraadniveaus te bepalen. "Wiskundig, dit is een van de meest uitdagende problemen in de informatica, ' zei Farahat.

Een datagedreven aanpak

Het precies bepalen van de optimale voorraadbehoeften is onbereikbaar, maar de geschatte gelijkenistransformatie levert aanbevelingen op die gebaseerd zijn op 'aantoonbaar goede benaderingen'. Onderzoek van Farahat en Lee geeft aan dat door deze aanbevelingen op te volgen, sommige retailers kunnen een winststijging van 2-3 procent verwachten.

Het bereikt dit door gebruik te maken van de gegevens die retailers al hebben verzameld over hun klanten, zoals verkeersverwachtingen op basis van het seizoen en hoe hun consumenten keuzes maken. Het benadert vervolgens een verkoopprognose die kan helpen bij voorraadbeslissingen.

"We proberen retailers aanbevelingen te doen die ze kunnen gebruiken als uitgangspunt voor hun uiteindelijke beslissingen. Om dat te kunnen doen, moeten we voortbouwen op de voorspellende analysemogelijkheden die veel retailers al ontwikkelen, ' zei Farahat.

Naarmate bedrijven hun mogelijkheden voor het verzamelen van gegevens aanscherpen, de kwaliteit van die gegevens zal verbeteren - en het algoritme van Farahat en Lee zal nuttiger worden. "Naarmate deze modellen en voorspellingen nauwkeuriger worden, dit prescriptieve besluitvormingsstuk wordt relevanter, ' zei Farahat.

Het onderzoek delen

Farahat en Lee hebben duizenden numerieke experimenten uitgevoerd op basis van ervaringen van retailers om hun algoritme te testen. Die tests hebben allemaal uitgewezen dat het algoritme net zo goed of beter werkt dan eerdere methoden om retailers te helpen bij het plannen van hun voorraad, omdat het strengere bovengrenzen biedt, of nauwkeuriger winstverwachtingen, in meer dan 99 procent van de tests.

The researchers would still like to test the approximate similarity transformation with retailers. Voor nu, Hoewel, they have made it available on GitHub for two reasons:They want colleagues who could build on their work to be able to do so without having to start from scratch; and "if a company has some in-house capabilities that they can take this and test it they are welcome to do so."